Latent variable models and dimensionality reduction methods for complex data
Descrizione
Oggigiorno, sono sempre più disponibili dati altamente complessi. Esempi sono i dati ad alta dimensionalità, in cui una dimensione (ad esempio le variabili) è molto più grande dell'altra (ad esempio le unità), i dati multi-way, in cui le stesse variabili sono registrate sulle stesse unità in condizioni diverse (ad esempio occasioni temporali), i dati multilivello, in cui le unità sono annidate all'interno di "unità" più grandi in modo gerarchico, e i dati relazionali, in cui vengono registrate informazioni su connessioni e relazioni tra unità. Il grado di complessità aumenta quando i dati sono di tipo misto, categoriali e quantitativi, e/o provengono da fonti diverse. Il progetto si concentra su nuovi modelli a variabili latenti e metodi di riduzione della dimensionalità per analizzare dati complessi con due obiettivi fortemente interconnessi: sfruttare metodologicamente la ricchezza di informazioni fornita da queste complesse strutture non convenzionali (dati ad alta dimensionalità, multi-way, relazionali, multilivello, funzionali e di tipo misto); analizzare empiricamente i dati provenienti da istruzione e salute.
Personale DiSIA coinvolto
Leonardo Grilli, responsabile unità operativa
Silvia Bacci
Chiara Bocci
Emanuela Dreassi
Maria Francesca Marino
Carla Rampichini
Partenariato
Coordinatore
Università degli Studi di Roma La Sapienza
Partner
Università degli Studi di Firenze - UNIFI
Università degli Studi di Bologna - UNIBO
Università degli Studi di Napoli Federico II - UNINA
Università degli Studi di Padova - UNIPD
Università degli Studi di Udine - UNIUD
Progetto finanziato all’Università degli Studi di Firenze nell’ambito del Bando relativo allo scorrimento delle graduatorie finali del bando PRIN 2022 - CUP B53C24006320006
Ultimo aggiornamento
06.06.2025